深度学习笔记（一）——循环神经网络&NLP_循环神经网络和nlp

1.1 线性回归

a. 为追求更快的速度应该使用矢量计算来提高运算速率；
b.

`labels += torch.tensor(np.random.normal(0,0.01,size = lables.size()), dtype = torch.float32)`
#加上偏差的原因：计算所得的label值无法与真实数据完全相等
1
2

c.random.shuffle 对数据集进行打乱（想到了shuffleNet）
d. 全连接层

按照正常的放射变换就可以

a1=X1W11+X2W12+X3*W13+b1
由于加法的广播机制，偏置参数为1x1也可以进行运算
参数的形状与批量大小无关，也正因为如此，对同一个模型可以选择不同的批量大小

1.2 SoftMax

Fashion-MNIST 分类常用数据集

• 预测种类（相比于线性这个是离散的）
• 与线性回归一样是线性叠加（放射变换）但是输出个数 = label的类别数（为所属类别的概率）
• 由于概率数值不确定所以使用SoftMax化作非负且和为1的

基于Pytorch的简洁实现

torchvision.datasets #一些加载数据的函数以及常用接口
torchvision.models #一些常用的模型例如ResNet,AlexNet
torchvision.transforms #图片变换，剪裁，旋转
torchvision.utils #其他函数以及方法
1
2
3
4

但是SoftMax函数还需要后续更新多一些！ tag

1.3 多层感知机（MLP）

multilayers perceptron

• ReLU(rectified linear unit)**（只应用于隐藏层）**层数多应用这个会快一些因为计算量少 （非负）
• sigmoid(x) = 1 /(1 + exp(-2x))（分类器）[0,1]
• tanh(x) = (1 - exp(-2x))/(1 + exp(-2x)) [-1,1]

简单一层：H = relu(XW1 + b1)；O = HW2 + b2

2.1 文本预处理

lines = [re.sub('['a-z]+' , ' ',line.strip().lower()) for line in f]
#将文件f中所有文本去空格，变小写，并用空格替代所有非字符
1
2

上述分类会剔除类似标点以及n’t之类的用法，专门分词的：

• spaCy

import spacy
nlp = spacy.load('en')
doc = nlp(text)
1
2
3

• NLTK

from nltk.tokenize import word_tokenize
1

字典（dictionary）：是无序的数据集合；是一系列键-值对
列表（list）：有序的数据集合
典型应用：

• 直接调用，索引
• dictionary = ['id'] = '05' 添加
• dictionary = ('id') = '05' 删除
• a.update(b) 合并两个字典
• for key, value in sorted(dictionary.items()) 遍历有顺序（sorted）的字典内容
• for key, value in set(dictionary.values()) 遍历去重（set）之后的所有’值’

2.2 语言模型

目标：评估该序列是否合理，即计算该序列的概率。概率越大越合理

• 齐夫定律：单词词频与词频的排名成反比
• 马尔科夫性要看清楚是几！阶！的！
• 若序列程度为 T，时间步数为 n，那么共有 T - n 个合法的样本

随机采样：len-1 后以时间步为步长进行分组，舍弃不足时间步个的样本，之后随机取batch_size个组，shuffle后是无序的

相邻采样：len-1 后 // batch_size * batch_size 取出来连续的样本即可

2.3 循环神经网络基础（RNN）

• Ht 记录了截止到 t 的所有历史信息
• one-hot向量：长度 = 字典大小（索引所在为1，其余为0）

result.scatter_(1, x.long().view(-1, 1), 1)  
# result[i, x[i, 0]] = 1
1
2

• RNN的输入&输出皆为num_steps个形状为（batch_size, vocab_size）的矩阵
• 返回的 H 状态是以元组的形式
• 困惑度（perplexity）：通常用于描述语言模型的好坏**（是为标签类别概率的倒数）**

关系是一张表，表中的每行就是一个元组，每列是一个属性

2.4 循环神经网络进阶（RNN）

GRU

• 重置门有助于捕捉时间序列里短期的依赖关系；
• 更新门有助于捕捉时间序列里长期的依赖关系。

LSTM

• 遗忘门:控制上一时间步的记忆细胞
• 输入门:控制当前时间步的输入
• 输出门:控制从记忆细胞到隐藏状态
• 记忆细胞：⼀种特殊的隐藏状态的信息的流动

深度循环神经网络（RNN）

补充参数 layers = n，即可构建深度神经网络

双向循环神经网络

补充参数 bidirectional = True 即可实现双向（默认是False）
连接方式：前向的 Ht 和后向的 Ht 使用 concat 进行连接
好处：双向神经网络可以考虑到语言结构的前后的语序等结构